推荐意见5：建议采用机器学习方法建模，对脓毒症、急性呼吸窘迫综合征（acute respiratory distress syndrome，ARDS）、急性肾损伤（acute kidney injury，AKI）做出早期预警。（共识度94%）

解读与证据：有关脓毒症、AKI及ARDS预警模型的研究日益增多，大部分模型能做出早期预警，灵敏度和特异度均表现良好。不同模型的预测能力及可推广性尚需进一步验证。因此，可采用机器学习方法建模，对ICU患者脓毒症，AKI和ARDS的发生风险进行早期预测，提升早期应对能力，从而减少其发生概率，改善患者预后。

脓毒症预警模型与人工筛查和评分相比，能早期准确地做出预测，并实现了外部验证。2020年一项脓毒症预测模型的荟萃分析显示，单个机器学习模型可以早期准确预测脓毒症［受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）：0.68~0.99］，能替代传统评分，但研究间的异质性限制了对结果的评估［32］。2022年一项研究用梯度增强监督学习方法开发脓毒症筛查工具，发现在指示时间1 h和24 h，基于梯度增强监督学习方法构建的模型对患者发生脓毒症的预测灵敏度和特异度均高于传统评分方式［33］。2021年一项对照研究开发了一种算法，能提前12 h准确预测脓毒症（AUROC为0.94，灵敏度为0.87，特异度为0.87）［34］。2021年一项多中心研究显示，使用转移学习算法使脓毒症外部验证数据集的有效性成为可能［35］。

重症患者AKI预警模型能早期准确地做出预测，但很少同时具有外部验证、临床可解释性和高预测性能的模型［36］。Xiao等［37］研究结果提示，AKI的早期预警模型AUROC为0.88，能提前6 h预测AKI。2020年一项多中心研究显示AKI预警模型能提前48 h预测AKI，在内部和外部验证中均表现出色（AUROC分别为0.86、0.85和0.86）［38］。2020年一项研究建立的基于EMR数据的连续预测模型，能在住院期间实时预测AKI，性能显著优于单次预测模型（AUROC分别为0.724、0.653）［39］。

ARDS预警模型能早期高效预测ARDS，部分模型能实现外部验证，部分纳入了影像学变量。2020年Le等［40］使用XGBoost梯度增强树模型能提前48 h准确预测ARDS（AUROC为79.0%）。2020年Mayampurath等［41］对前瞻性研究数据进行二次分析，使用放射学报告文本建立模型，表现良好并实现了外部验证（C指数，0.78；95%CI：0.72~0.84）。ARDS的诊断对影像学依赖性强，但诊断过程中，影像学信息不一定可及，或其解释存在不确定性，这种信息称为特权信息和不确定性标签，但纳入影像学变量的模型更接近临床。2022年，Sjoding等［42］比较了基于X光的机器学习识别ARDS方法与基于病历识别ARDS的方法。发现AUROC分别可达到0.83、0.80，而将两者结合后AUROC可达0.88。

推荐意见6：基于机器学习预测模型能够对ICU内潜在器官功能损伤高危患者进行有效的风险预测。（共识度89%）

解读与证据：早期预警评分系统提出后使得医护人员能够更好地识别潜在的危重症患者，实现早识别、早干预，从而改善患者预后。但这一评分系统在患者发生明显的恶化前可能无法进行识别。2019年的一项系统评价发现采用统计建模的早期预警评分相较于加权的早期预警能够更准确地识别高危患者（AUROC分别为 0.80、0.73），其发现1例真正的阳性病例分别需4.9次与7.1次报警事件［43］。与此类似的2021年的一项系统评价亦显示，基于机器学习的临床状况恶化预警系统能够更准确地预测在ICU环境中患者生存恶化的风险，该模型的AUROC为0.57~0.97［44］。

危重症患者除原发病进展外，可能出现多种威胁患者生命的合并症、并发症。（1）循环功能紊乱：2020年有研究建立了一个循环衰竭事件预警系统，能提前2 h以上识别有循环衰竭风险的患者，并成功在患者队列中进行了外部验证［15］。校正QT间期（corrected QT interval，QTc）延长与尖端扭转型室性心动过速有关，Tisdale等［45］的研究提示通过使用数据挖掘、建模、机器学习等技术开发了风险量化方法，对QTc延长进行预测。该QTc风险评分在预测性能上表现良好，有较好的灵敏度（高风险为74%，中风险为67%）、特异度（高风险为77%，中风险为88%）、阳性预测值（高风险为79%，中风险为55%）和阴性预测值（高风险为76%，中风险为88%）。（2）水电解质的紊乱：西班牙Broch Porcar等［46］通过回顾重症监护患者低钠血症的管理，开发了一种完善标准化的低钠血症诊断及治疗算法。（3）消化道出血：Levi等［47］基于重症监护信息系统的机器学习分析算法与协作数据分析库分析5 h后患者发生消化道出血风险，模型AUROC>0.80，有较好的预测性。（4）血栓形成：深静脉血栓形成（deep vein thrombosis，DVT），具有较高的发病率和死亡率，并导致医疗费用的增加。Ryan等［48］开发了梯度增强的机器学习算法来预测患者在发病前12 h和24 h出现DVT的风险，机器学习预测因子获得的诊断院内DVT的AUROC分别为0.83和0.85，早期康复训练的开展及防范压力性损伤也都对ICU内预后产生影响。

推荐意见7：建议采用机器学习的方法建模对住院患者进行早期筛查，为临床医师早期干预、减少疾病的重症化提供帮助。（共识度88%）

解读与证据：与普通患者相比，重症患者往往预示着住院时间较长、花费较多、预后较差，早期发现患者病情变化趋势、及时干预对于阻止疾病的进展具有良好的意义。机器学习的方法可有利于疾病的早期筛查，并可促进对疾病的及时处置。但对于不同研究对象在模型应用前应注意异质性的校正，否则容易导致错误的临床指导。建议采用机器学习的方法建模对重症患者进行早期筛查，为临床医师早期干预、减少疾病的重症化提供帮助。

2020年发表的一项研究使用5折交叉验证对几种机器学习方法进行了评估，并且应用XGBoost算法构建脓毒症AI预测模型，验证结果显示其准确度为82%±1%；灵敏度为65%±5%；特异度为88%±2%。XGBoost算法及序贯器官衰竭评分（sequential organ failure assessment，SOFA）预测脓毒症的AUROC分别为0.890和0.596。可见，基于机器学习算法，可以帮助临床医生更早地部署适当的治疗方案，对AI算法的早期和精确响应将降低成本，改善疗效，使医疗系统、医务人员和患者受益［49］。2020年一项多中心真实世界数据研究证实，在临床环境中应用预警模型后，脓毒症患者住院病死率平均下降39.5%，住院时间减少32.3%，脓毒症相关住院30 d再入院率下降22.7%［50］。除脓毒症外，机器学习方法也已被用于其他重症疾病的早期筛查中，2021发表的一项研究利用四种机器学习方法构建的模型（随机森林、XGBoost、GLMBoost 和 Lasso-GLM）预测小儿多脏器功能障碍，结果显示所有方法的早期预测模型在AUROC都达到了 0.91，通过风险为基础的患者监测进行早期预测可以为小儿多脏器功能障碍发生提供超过 22 h的提前期，这将为患者预后的改善起到重要作用［51］。2021年Romero-Brufau等［52］开发了一项能够在24 h内预测患者病情恶化的预警模型（复苏呼叫、需转运至重症监护病房、eCART呼叫），灵敏度为73%时，梅奥早期预警评分（MC-EWS）每天每10例患者产生0.7次警报，比国家早期预警分数低45%。在内部和外部验证数据集中都能准确预测（C指数分别为0.913和0.937），实现高精度识别高危患者。但是亦有研究提示临床医师在预备应用相关模型时应首先根据患者异质性对模型进行校正而后再行应用，避免造成误判影响临床决策［32］。然而，临床工作中应首先充分提高临床一线工作人员对于已有评分系统的重视程度并监督实际应用情况，否则仅单纯地从模型性能角度进行提升而不提高临床应用及响应速度将是徒劳［53］。

推荐意见8：推荐将重症患者的影像数据纳入重症数据库，以提供更加全面、准确和及时的诊断信息，从而通过相关算法指导临床决策。（共识度92%）

解读与证据：早已有研究将AI用于肿瘤、感染灶影像的筛查和诊断，并证实其在快速处理大量影像资料、前移诊断“关口”、避免漏诊误诊等方面的优势［54-55］。重症患者疾病状态和影像表现更加复杂多样，使用AI进行影像诊断的最佳时机和场景有待更多验证。专家组认为AI辅助ICU患者影像诊断具有良好的应用前景，推荐进行相关探索，以提高诊断效率和准确性，并为临床决策提供参考。

一项研究对密歇根大学医院500例ICU患者的3 078次胸片影像采用方向性测量和深度机器学习特征进行建模诊断ARDS，最终可达到83%的准确度和0.79的AUROC值［56］。神经网络模型分析卧位胸片诊断肺炎和胸腔积液的AUROC值分别为0.737和0.740，与影像专家诊断结果相似（AUROC分别为0.779和0.698）［57］。在新型冠状病毒肺炎暴发流行中，AI辅助影像诊断表现优异，各类机器学习方法不仅能从海量的肺部CT影像中快速鉴别出新型冠状病毒肺炎的CT影像（AUROC为0.951~0.980），还能对患者的重症转化做出预测（AUROC为0.848）［58］。经典图像处理和深度学习相结合的机器学习法分析110例硬膜下血肿重症患者的CT影像，显示样本查全率、查准率分别为78.61%、76.12%，基于血肿体积的严重度判断特异度为92.31%，可帮助医生减少决策时间［59］。

除放射影像外，AI在其他ICU床旁影像诊断中也有应用研究。2019年的1项研究显示神经网络模型检测床旁肺部超声B线的灵敏度和特异度可达0.871和0.930［60］。一项研究应用机器学习的方法分析136例插管患者SBT试验前和结束前的床旁肺部、心脏和膈肌超声数据，发现其判断拔管后发生呼吸窘迫的AUROC值分别为0.972和0.920［61］。2021年的2项研究表明神经网络模型利用超声影像早期诊断脓毒症患者发生AKI的准确度和灵敏度均高于专业影像医师［62-63］。电阻抗断层扫描（electrical impedance tomography，EIT）仅能粗略显示肺部各区域通气和血流分布，无法量化成床边监测指标。通过深度学习训练的神经网络模型可以从EIT信号中推算出肺容积、气流速、标准化气道压甚至跨肺压等信息［64］。

推荐意见9：推荐通过聚类分析等方式，将脓毒症、ARDS、AKI患者分成临床结局及治疗反应不同的表型，识别最可能受益于特定治疗策略的患者。（共识度91%）

解读与证据：聚类分析可以在异质性人群中识别相对同质的群体。某些治疗手段仅针对特定人群有效。利用聚类技术将重症患者分为不同表型，其在合并症、实验室指标、生命体征、临床结局、治疗反应性等方面具有显著差异，识别出对特定疗法受益的人群。目前表型的识别在脓毒症、AKI、ARDS中已有研究进展，但表型的准确性及可推广性仍需进一步的验证。专家组推荐通过聚类分析等方式，将重症患者分成不同表型，识别最可能受益于特定治疗策略的患者。

使用临床和（或）宿主反应数据和机器学习（如潜类别分析和K均值聚类），将脓毒症、AKI、ARDS等重症患者细分为不同的表型［65-68］。2021年一项RCT研究通过K均值聚类确定了4种基于凝血的脓毒症表型，并使用机器学习方法确定了哪种表型将受益于重组人血栓调节蛋白［69］；另一项RCT研究通过聚类分析确定了4种脓毒症临床表型。这些表型在人口学特征、实验室异常、器官功能障碍模式方面存在差异，并且与传统的患者分组（如感染部位、器官功能障碍模式或疾病严重程度）不具有同源性［70］；2020年一项对AKI队列进行的潜在类别分析，确定了具有不同临床结局的脓毒症AKI的两种表型［71］；2017年一项前瞻性观察性队列研究通过无监督的共识聚类和机器学习对全血RNA表达谱进行分析，确定了4种脓毒症内表型（Mars 1~4），其中Mars 1与28 d死亡率相关。为了便于临床应用，该研究还为每种表型提取了可进行准确分类的生物标志物［72］。有研究利用ARDS RCT数据，通过潜类别分析（latent class analysis，LCA）方法确定了两种不同的ARDS表型。这些表型具有不同的临床结局，并且已确定对呼气末正压策略［73］、液体治疗［74］和辛伐他汀［75］的不同治疗反应。

推荐意见10：在特定临床场景下，如拔除气管插管决策、重症药物治疗决策等，建议基于机器学习算法构建可用于临床治疗的决策模型。（共识度74%）

解读与证据：ICU患者病情通常疑难且危重，EMR系统、监护仪、呼吸机等仪器设备均能生成海量生命信息数据，已远超出 ICU 医生持续处理和正确解读的能力，影响临床决策的效力和响应速度。AI模型可以连续地对大量数据进行清晰、归类、分类、计算和关联，对病情变化进行预测，从而辅助临床决策、提升重症救治质量和效率。

目前多项研究评估了应用机器学习等AI技术进行治疗决策后对临床的影响。将强化学习应用于脓毒症人群，AI临床医生可以优化液体管理和血管活性药物治疗，降低病死率［10，76］。2019年一项研究建立XGBoost模型预测 AKI 患者尿量，与传统的 logistic 回归模型相比，该模型能够更好地区分患者是否具有容量反应性。

AI技术已被尝试应用于拔管决策和优化重症患者药物治疗等临床情况。2018年一项回顾性研究使用机器学习来识别需要延长机械通气时间和气管切开高风险的患者［77］。2021年Fabregat等［78］比较了3种分类学习方法［logistic回归模型、XGBoost和支持向量机（support vector machines，SVM）］预测拔管失败，目前可以降低9%拔管失败率。2021年另一项研究通过机器学习算法建立了意外拔管的预测模型，其中随机森林算法得到最佳AUROC为0.787［79］。

应用机器学习优化重症患者抗凝、抗感染及镇静等治疗效果的研究尚处于探索阶段。Chen等［80］、Su等［81］、Li等［82］对比了不同机器学习方法预测抗凝药物（枸橼酸盐、肝素）的治疗效果，结果均显示浅神经网络模型准确率和F1得分总体优于其他模型。2022年一项单中心回顾性研究使用机器学习和聚类分析的方法为重症患者的抗生素管理提供指导意见［83］。2022年另一项研究基于自注意力和残差结构卷积神经网络（convolutional neural network，CNN）对麻醉深度监测有良好预测效果［84］。以上案例说明AI在指导危重患者的重要决策方面可能发挥作用。但绝大多数已开发的 ICU-AI 模型仍处于测试或原型设计阶段，只有少数在临床治疗实践中得到了实际评估。van de Sande等［85］发现目前尚无任何研究报道在常规重症诊疗过程中集成AI模型的结果。当前，AI用于指导临床决策的研究结果，大多是根据回顾性和观察性数据集计算所得。因此，为实现AI直接指导临床决策，必须对源自此类AI系统的建议序列或策略进行全面分析，尚需更多高质量前瞻性研究。

推荐意见11：建议采用机器学习方法，对重症患者的预后情况作出预测。（共识度85%）

解读与证据：目前有关ICU重症患者死亡率的预测模型日渐增多，许多数据模型对于疾病的预测效能优于临床评分系统，部分预测模型仍依赖临床评分系统辅助，但目前重症医学中的AI模型主要是使用回顾性数据生成的，样本量小且结论可重复性低，缺乏足够的外部验证或前瞻性评估。

机器学习模型、算法多种多样，如SVM、梯度提升决策树（gradient boosting decision tree，GBDT）、邻近算法（algorithm，KNN）、随机森林模型（random forest，RF）。Barchitta等［86］发现，相较于简化急性生理评分Ⅱ（Simplified Acute Physiology Scores Ⅱ，SAPS Ⅱ），SVM模型可以用于识别人ICU 7 d内死亡风险较高的患者。进一步根据不同病种比较机器学习方法和传统评分系统的预测效能，结果如下：（1）脓毒症：2021年的研究结果表明，GBDT预测脓毒症患者死亡的准确率优于其他模型（LR、KNN、RF、和 SVM）［87］。García-Gallo等［88］使用随机梯度提升（stochastic gradient boosting，SGB）等组装算法生成的脓毒症模型比 SAPS Ⅱ、SOFA 或牛津急性疾病严重程度评分（Oxford Acute Severity of Illness Score，OASIS）等传统评分系统，更能准确预测 1 年死亡率。（2）脑出血（intracebral hemorrhage，ICH）：Nie等［89］研究指出RF是预测接受ICU治疗的ICH患者死亡率的最佳模型，与APACHE-Ⅱ评分相比，所有用于预测的机器学习算法均能更好地预测ICU死亡率。（3）重症急性胰腺炎（severe acute pancreatitis，SAP）：Halonen等［90］的研究建立预测SAP严重程度的人工神经网络（artificial neural network，ANN）模型，结果优于Rason评分、Glasgow-imrie、APACHE-Ⅱ及SOFA评分。Ding［91］等研究表明ANN模型能快速准确地在急性胰腺炎早期阶段筛选出具有死亡风险高的患者。

推荐意见12：临床决策支持系统（clinical decision support system，CDSS）可用于改善重症患者诊治指南和临床路径实施的依从性。（共识度86%）

解读与证据：以证据为基础的临床诊疗指南为危重患者的救治提供了规范化、同质化的诊疗策略。然而，在ICU日常诊疗中，依从临床指南进行临床诊疗的比例不高，导致原本可避免的患者死亡增加［92-93］。CDSS是一种帮助卫生保健工作者做决定的计算机程序。随着CDSS应用于临床，绝大部分研究显示CDSS可以辅助ICU医生决策并提高对诊疗指南的依从性，改善患者预后。但CDSS种类繁多，一个CDSS针对某一种疾病，开发成本高，以大数据为基础的CDSS已开始应用到临床辅助决策，但尚未用于改变指南依从性。不仅如此，CDSS需与患者电子健康档案系统整合，由于不同地区或医院采用的电子健康档案系统不同，CDSS在不同医院的推广和应用受限。因此，CDSS可用于改善危重患者诊治指南依从性，但以大数据为基础的CDSS尚处于研发阶段，建议有条件的医院考虑以大数据为基础的CDSS的研发和临床应用，以提高指南依从性。

早在2011年，CDSS如“流程表”，可在床旁实时监测患者各项参数，早期筛查出脓毒症患者并根据SSC指南提出一系列指令性治疗措施［94］。CDSS的应用可以显著提高SSC指南复苏集束化策略的依从性，缩短抗生素使用时间，降低医院病死率［95］。小潮气量肺保护性通气的临床实施通过采用CDSS指导医务人员进行呼吸机模式、支持水平的设置，肺保护性通气的依从性提高，停用CDSS后，潮气量的水平显著增加［96］。一项关于谵妄管理的研究发现在采纳个体化预防ICU谵妄CDSS系统后，谵妄发生的持续时间明显缩短，昏迷时间减少，脑功能改善［97］。在另一项评估AKI指南依从性的前瞻观察性研究中，将AKI的CDSS整合入ICU的重症信息系统，显著降低从1期AKI恶化的患者比例、依诺肝素剂量使用不当的比例、AKI患病率显著降低［98］，但目前尚无基于大数据的重症CDSS应用提高指南依从性的报道。有待今后进一步研究证实。